现代信号处理b.doc

PAGE 1 PAGE 56 §5－10、最大熵谱估计 上述方法各种缺点的基本来源在于隐含地采用了一个看来似乎是很自然的假设，即除了能得到N个数据外；序列的其他值均被认队为是零，或者等效地，序列的相关函数值除了能估计出的有限个值之外，其它的值也当作零处理，但序列或其相关函数的那些我们未能观测到的或末能估计出来的值，实际上并不可能全是零。显然，上述“自然”的假定是不合理的。因此，要从根本上克服上述方法的缺点，必须从改变这个隐含的假定着手。1967年，美国的Burg最先提出了这个问题，并找到了—种解决方法，它的基本思想是，已知其有限个(N)相关函数的序列的功率谱，估计值是某一最不可预测或最随机的序列的功率谱，该序列的前N个相关函数值和待估序列的已知相关函数值相同。用信息论的术语来说，最不确定或最随机的事件的熵为最大。这就是最大熵估计名词的出来。对未知延迟点上的自相关函数值，按最大熵的原则进行外推，克服了经典谱估计中窗函数法，相当于令未用到的自相关或观测数据均为零的假设。故提高了分辨度，尤其适用于短数据的情况。 最大熵准则： 在信息论中的熵表示一种不确定度，最不确定的事件的熵为最大。其定义为 定义：若随机向量具有概率密度函数则其熵定义为 熵－方差－相关函数之间的关系 一维高斯分布 其中 代入熵的定义公式，并注意到得： N维高斯分布: 若x=[x1,x2,…,xN]T为N维零均值正态分布的，其联合概率密度为 为自相关矩阵 ，表示行列式； 故可得N维高斯分布的熵为： 为方便起见改写熵的定义为： C－常数，可用来确定量度熵的参考基准或熵的绝对值 N－正整数。 因此令时，N维高斯分布的熵可写为： 显然，要使熵最大，就要使最大。 研究熵与功率谱之间的关系，即已知自相关函数的N+1个值,计算下一个最大延迟之外的自相关函数值。选择的准则就是要使熵最大。由自相关矩阵的正定性，行列式是非负的。要使熵最大，就是使最大，于是有： 由于N+1阶的自相关矩阵可写为： 式中 根据分块矩阵行列式的恒等式：（证明见王宏禹书p.297） 于是有： 显然(5-106)式，即将上式对的导数为零，得： 此式为的一次方程，从而求解此式，可得到合适的。同理将此代入，继而可求出。这就是在最大熵的原则下，由已知的N+1个值外推得到,,自相关序列。故可得：B为常数 称为高斯平稳随机序列的谱估计，满足 的最大熵。 外推的方法很多，但应该是与已知点上的自相关相符的功率谱中最任意的，即具有最大熵的。这相当于扩大了自相关的信息，故得到的谱估计比传统方法的分辨率高。 当序列无限长时，上述熵的定义会发散，则应采用熵率的定义： 下面，我们换一个角度来讨论最大熵准则。若x（n）为平稳高斯过程，其功率谱为，且有 则其熵为Hx与功率谱的关系，为 在相关图法中，有的假设，即为其主要缺陷。 其功率谱估计为： 这里不采用此假设，而是按最大熵的原则即取值最不确定，来选择的值。其数学表达式为： 可以证明最大熵谱估计的表达式为： 式中的系数就是Yule-Walker方程的解。 最大熵谱估计的问题就变成估计这些系数的问题，可以证明最大熵谱估计与AR模型谱估计的是等价的。（有关证明可见陈炳和“随机信号处理”p.415）；也与预测误差滤波器法等价。 最大熵谱估计可以看作是谱估计发展的里程碑。现在使用的最大熵谱方法及其各种修正形式，都是在随机序列为高斯分布时引出的。最大熵谱估计值是输入数据的高度非线性函数，因此，不可能求得统计特性的一般解析表达式。要求在某些频率上功率谱的均值和方差以及在不同频率上的协方差等统计特性，都很难得到。 §5－11、最大似然谱估计 人们在研究地震和水声信号时，提出了最大似然谱估计方法。Capon将其用于空间阵列接收数据的频率波数谱估计中，它由线性最小方差估计器的输出功率作为其谱估计，所以，最大似然谱估计，其实质是一种线性最小方差估计法。 当信号形式为时，第k 个传感器的接收信号为： 传播延迟，－白噪声过程。该传感器的输出延迟了，再乘以加权，于是可得如下形式的输出： 第m 个传感器的输出为： 则p个传感器输出和为： 若为互不相关的零均值，方差为的随机过程，则均方功率为：(为信号功率) 若定义,则其采样输出为 其方差为： 式中采样间隔。要使方差在下列约束条件下为最小： 式中 此估计器对x(t)是在高斯环境下进行的，所以此时最大似然估计与最小方差估计一致，即为： 由于为常数，故应使,即为： 易见，估计器参数的选择，是在一定的约束条件(5-119)下，使上式成立。故引入拉格朗日乘子，构造目标函数： 令则可求出： 代入方差表达式得： 当向量中的频率ω等于信号频率时，上式就代表信号功率 当频率ω的值遍及定义域时，上式就可以看作是过程x(t)的功率谱密度的估值。这样就得到了最大似然谱估计的值，为： 可见，